CSDN博客

img gdsean

jdbm开源文件数据库在全文检索中的使用

发表于2003/11/13 0:08:00  1199人阅读

分类: 没有文采

最近奉命做一个全文检索程序,用关键字建立文件索引,类似如下结构:

词1  文章号1,文章号2,文章号3,文章号4...
词2  文章号3,文章号4,文章号5,文章号6...
词3  文章号1,文章号2,文章号8,文章号7...
....

有朋友骂我说为何不用lucene,我当然是提出了用,不过被否决了。只好挽起裤脚亲自下田了。

这种存放方式,按照关键字可以快速找到词所在的所有文章,至于多关键字查询就要将结果作一个交集了。我原本打算用gdbm文件数据库存放索引(关系数据库对这种结构不太好用),找来找去发现java好像无法支持gdbm,我可不希望用jni去访问gdbm,不过好在我在sourceforge找到了jdbm可以代替使用。
如果你的程序需要保存些简单的数据,又不想使用数据库,可以选择jdbm。另外附上二元分词法的程序,用来将文章分词,这个分词没有词表维护,实现简单,将就能用吧。

jdbm很简单,指定一个文件名,就可以当作一个hashtable来使用了:
import jdbm.*;
。。。
JDBMRecordManager newsindex = new JDBMRecordManager(filename);
JDBMHashtable hashtable = newsindex.getHashtable("words");

。。。
//建立索引方法,wordBreaker将文章敲碎成一个个词
  public void index(String docid, String body) {
    try {
      wordBreaker.setText(body);
      String[] words = wordBreaker.breakAll();
      for (int i = 0; i < words.length; i++) {
        if (words[i] != null && words[i].length() != 0) {
          String docs = (String) hashtable.get(words[i]);
          if (docs == null) {
            hashtable.put(words[i], docid);
          }
          else {
            if(docs.indexOf(docid)==-1){
              hashtable.put(words[i], docid + "," + docs);

            }
          }
        }

      }

    }
    catch (Exception ex) {
      ex.printStackTrace();
    }
  }

//输出所有数据看看,测试使用的方法
  public void show(){
    try {
      JDBMEnumeration enum = hashtable.keys();
      while (enum.hasMoreElements()) {
          String aKey= (String)enum.nextElement();
          String value= (String)hashtable.get(aKey);
          System.out.println(aKey+ ":" + value);
      }
    }
    catch (Exception ex) {

    }
  }

//记得关闭jdbm文件
public void close(){
   try {
     hashtable.dispose();
     newsindex.close();
   }
   catch (Exception ex) {
   }
  }

另外附上二元分词程序WordBreaker:
import java.text.*;
import java.util.*;

public class WordBreaker {
  char[] punctuations = new char[] {
      '。', ',', ';', ':', '“', '”', '(', ')', '!', '?', '◎', '#', '¥', '%', '…',
      '※', '×', '【', '】', '『', '』', '《', '》', '、'};
  public WordBreaker() {
  }
  public void setText(String text){
    this.sourceText = text;
  }
  private String sourceText = "";
  public String[] breakAll() {
    StringBuffer enWord = new StringBuffer();
    StringBuffer cnWord = new StringBuffer();
    boolean lastInsertCn = false;
    for (int i = 0; i < sourceText.length(); i++) {
      char c = sourceText.charAt(i);
      if (c > 255 && isWord(c)) {
        cnWord.append(c);
        lastInsertCn = true;
      }
      else if (c < 255) {
        if (lastInsertCn) {
          enWord.append(' ');
          enWord.append(c);
          lastInsertCn = false;
        }
        else {
          enWord.append(c);
        }
      }
    }
    String str = cnWord.toString();
    String[] result = new String[str.length() - 1];
    for (int i = 0; i < str.length() - 1; i++) {
      char c1 = str.charAt(i);
      char c2 = str.charAt(i + 1);
      result[i] = "" + c1 + c2;
    }
    String[] allEnWords = enWord.toString().split("//p{Punct}|//s+");
    String[] ret = new String[allEnWords.length + result.length];
    System.arraycopy(result,0,ret,0,result.length);
    System.arraycopy(allEnWords,0,ret,result.length,allEnWords.length);
    return ret;
  }

  public static void main(String[] args) {
    WordBreaker wb = new WordBreaker();
    wb.setText("在目前的80名发审委员的机制下,监管部门人员不足1/3,没有绝对话语权。发审委的工作等于是完全独立于监管部门之上的。从这个意义上,面对市场的诘责,证监会有替人受过之嫌。");
    wb.printArray(wb.breakAll());
  }

  private void printArray(Object[] os) {
    for (int i = 0; i < os.length; i++) {
      System.out.println(os[i]);

    }

  }
  private boolean isWord(char c) {
    for (int i = 0; i < punctuations.length; i++) {
      if (c == punctuations[i]) {
        return false;
      }
    }
    return true;
  }
}

将文中单词按照2元语法(bigram)方式切分出来,比如:
"北京天安门" ==> "北京 京天 天安 安门"。英语按照空格和标点分词。

下载jdbm:jdbm.sf.net

0 0

相关博文

我的热门文章

img
取 消
img